混合多尺度神经网络与基于注意力的融合用于果作物疾病识别和识别
Shakhmaran Seilov1, Akniyet Nurzhaubayev2, Marat Baideldinov1
1Faculty of Information Technologies, L.N. Gumilyov Eurasian National University, Astana 010000, Kazakhstan.
Journal of imaging
|December 24, 2025
概括
一个新的混合多尺度神经网络 (HMCT-AF与GSAF) 改善了水果作物疾病的识别. 这种深度学习模型为实时农业应用提供了高精度和弹性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 没有观察到的水果作物疾病威胁着全球农业生产力,并造成重大财务损失.
- 手动检测疾病是低效的,不可靠的,不适合大规模监测.
- 目前的深度学习模型在概括,疾病大小变化和边缘设备部署方面扎.
研究的目的:
- 开发一个精确有效的水果作物疾病识别架构.
- 克服现有的深度学习模型在植物疾病检测方面的局限性.
- 为了提高模型的可解释性和对现实应用的分类性能.
主要方法:
- 提出了一个混合多尺度神经网络 (HMCT-AF与GSAF) 架构.
- 结合视觉变压器与多尺度卷积分支用于特征提取.
- 使用了一种新的HMCT-AF与GSAF模块进行自适应功能组合.
主要成果:
- 在PlantVillage和CLD数据集上达到高达93.79%的准确性.
- 对照明和背景复杂性的变化表现出强大的弹性.
- 优于香草变压器模型,效率网和传统的卷积神经网络 (CNN).
结论:
- 使用GSAF模型的HMCT-AF有效地捕获了尺度变异的疾病症状.
- 该架构适用于与边缘兼容的硬件上的实时农业应用.
- 在精准农业中为智能,可扩展的植物疾病监测提供了可行的基础.
